Big-Data-Lösungen werden von immer mehr Banken und Sparkassen eingesetzt.
Andrey Prokhorov | iStockphoto
Manche IT-Trends verschwinden so schnell wieder, wie sie aufgekommen sind, nicht so Big Data. Sieben wichtige Faktoren, die beim Einsatz von Big Data beachtet werden sollten, listet Nathan Jagoda, Country Manager Germany bei Information Builders, auf.
Eine Reihe von Unternehmen aus Branchen wie Banken und Versicherungen, haben verschiedene Big-Data-Projekte initiiert, werten die Ergebnisse jetzt aus und entwickeln ihre Projekte weiter. Andere Unternehmen befinden sich in der Planungsphase und wollen damit beginnen. Unabhängig davon, wie die Big-Data-Einsatzszenarien aussehen, könnten die folgenden sieben Faktoren über den Erfolg von Big Data entscheiden:
Sieben Faktoren für den Erfolg von Big Data-Projekten in Finanzinstituten |
1. Genaue Big-Data-Anforderungen ermittelnEin Kreditinstitut muss aufspüren, wo es den größten Nutzen durch Big-Data-Einsatzszenarien gibt: meist dort, wo die Analyse mit herkömmlichen Mitteln nicht mehr ausreicht. Das kann unternehmensweit geschehen, etwa bei der Umsatzanalyse von Filialen für eine bessere Personalplanung. In der Regel haben aber auch Fachabteilungen einen klaren Bedarf. |
2. Nachprüfbare Ziele für Big-Data-Projekte festlegen Big-Data-Projekte müssen konkreten Ziele folgen, beispielsweise die Kundenabwanderungsrate senken, die Kundenbindung erhöhen, neue Umsatzquellen, etwa im Web oder über mobile Kanäle, erschließen oder die Qualität im Kundenservice verbessern. In allen Fällen müssen die Verantwortlichen quantitative oder nachprüfbare qualitative Ziele festlegen, deren Erreichung durch Soll-Ist-Vergleiche überprüft wird. |
3. Die richtigen internen Datenquellen aufspüren Eines der Ziele von Big Data ist es, bislang nicht oder nur schwer zugängliche, große Mengen strukturierter und wenig strukturierter Geschäftsdaten aufzuspüren, um daraus neue Erkenntnisse für aktuelle Entscheidungen zu gewinnen. Dazu gehört auch festzustellen, wie und in welcher Form die IT auf die Daten zugreifen soll. |
4. Informationen aus sozialen Netzwerken miteinbeziehen Im Marketing, Vertrieb und Kundensupport ergeben sich eine Vielzahl von Möglichkeiten, um etwa die Kommentare und Meinungen zu einem Produktlaunch in sozialen Netzwerken zu erfassen und auszuwerten. Mit zusätzlichen Funktionen, beispielsweise für die Textanalyse, können Kreditinstitute sowohl strukturierte als auch unstrukturierte Daten in Blogs, Facebook oder Twitter durchsuchen und die ermittelten Informationen mit Daten aus CRM-Systemen oder anderen Unternehmensapplikationen für weitere Analysen einsetzen. |
5. Fachbereiche und IT müssen sich effizient vernetzen Bei allen Big-Data-Projekten müssen sich Fachbereiche und IT von Anfang an über Ziele und Verantwortlichkeiten abstimmen. Die frühzeitige Unterstützung durch die Geschäftsführung stellt darüber hinaus sicher, dass es nicht um ein nachrangiges Projekt, sondern um eine Aktion mit klarem Auftrag und nachprüfbaren Zielen geht. |
6. Vorhandene BI-Pattformen als Sprungbrett nutzen Den technischen Unterbau für Big Data stellen die in einem Unternehmen bereits vorhandenen BI-Plattformen sowie neuartige Analyse- und Visualisierungs-Tools bereit. Bauen IT und Fachabteilungen auf dem Vorhandenen auf, wird BI zum Katalysator für Big Data. Eine hohe Effizienz erzielen Unternehmen, wenn sie eine durchgängige Lösung für BI und Big Data einsetzen. |
7. Regelmäßig die Projektergebnisse überprüfen Eine wichtige Rolle für den nachhaltigen Erfolg spielt die kontinuierliche Überprüfung der Projektresultate und die Weiterentwicklung. Wie alle anderen Unternehmensanwendungen auch, unterliegt Big Data den unterschiedlichsten externen Einflussfaktoren und muss daher permanent mit einem Soll-Ist-Vergleich überprüft und angepasst werden. |